侯英娟 呂艷輝 徐子睿

摘 要 目標(biāo)跟蹤一直以來都是計算機視覺領(lǐng)域的關(guān)鍵問題，隨著社會的快速發(fā)展，車輛日益增多，智慧交通越來越重要。對車輛的跟蹤也逐漸深入。同時，隨著無人機技術(shù)的飛速發(fā)展，無人機由于可以降低成本、提高工作效率，所以對無人機跟蹤單目標(biāo)車輛進行了研究。由于，車輛在行駛過程中會出現(xiàn)遮擋問題，大大提高了識別精度的難度，提出了一種基于深度學(xué)習(xí)檢測算法的目標(biāo)跟蹤。為解決車輛在行駛過程中可能出現(xiàn)遮擋問題等一些復(fù)雜情況下提供很好的魯棒性。

關(guān)鍵詞 目標(biāo)識別深度學(xué)習(xí);無人機;車輛;變化

引言

隨著無人機技術(shù)的飛速發(fā)展，將無人機應(yīng)用到各個領(lǐng)域代替人工操作可以降低成本、提高工作效率。無人機識別目標(biāo)車輛，能更加靈活的對地面車輛進行跟蹤。本文提出一種采用基于深度學(xué)習(xí)目標(biāo)檢測算的目標(biāo)跟蹤算法，大大提高了目標(biāo)車輛在出現(xiàn)遮擋問題和光照問題在跟蹤時的準(zhǔn)確精度[1]。

1目標(biāo)跟蹤算法

無人機對目標(biāo)車輛跟蹤，由于車輛在行駛過程會出現(xiàn)目標(biāo)遮擋問題和光照問題下能盡可能地實現(xiàn)對車輛的識別與定位跟蹤。所以在此文中對地面所有車輛進行跟蹤，把目標(biāo)車輛從復(fù)雜背景下提取出來。采取深度學(xué)習(xí)模型在目標(biāo)特征提取方面的優(yōu)勢，過濾掉一部分非目標(biāo)類別，有效解決了對在復(fù)雜背景下行駛的車輛進行跟蹤并且算法速度快，提高了檢測速度。

2YOLOv3目標(biāo)檢測算法

2.1 YOLOv3目標(biāo)檢測算法原理

yolov3算法在小目標(biāo)檢測上也有更好的表現(xiàn)，主要由于它借助于特征金字塔網(wǎng)絡(luò)（FPN，F(xiàn)eature Pyramid Network）的思想，在3種不同的尺度上進行特征提取;yolov3算法在檢測物體的分類上提高了準(zhǔn)確度，主要它采用獨立的邏輯回歸器取代softmax，能夠?qū)崿F(xiàn)使用多標(biāo)簽分類。yolov3采用的是全卷積神經(jīng)網(wǎng)絡(luò)來提取圖像特征，該網(wǎng)絡(luò)由一系列良好表現(xiàn)的3x3和1x1的卷積層構(gòu)成，共有53個作者稱之為Darknet-53[2]。

Darknet53借鑒了殘差（ResNets）神經(jīng)網(wǎng)絡(luò)的思想，由5個殘差塊構(gòu)成。每個殘差塊（ResNets）由多個殘差單元（ResNets）組成，通過輸入與兩個DBL單元進行殘差操作構(gòu)建了殘差單元。其中，DBL單元包含卷積層、批歸一化層（Batch normalization）和激活函數(shù)（leaky relu），通過引入殘差單元使得網(wǎng)絡(luò)深度可以更深，避免梯度消失。

3單目標(biāo)篩選算法研究

在設(shè)計目標(biāo)跟蹤算法時，當(dāng)多個目標(biāo)候選框被檢測出來之后，需要被檢測出來的目標(biāo)與目標(biāo)模板做篩選，以便在序列圖像中找到與模板最相似的候選框作為跟蹤目標(biāo)。本課題采用篩選所依賴的特征采用HSV顏色直方圖特征相似度和LBP直方圖特征相似度的權(quán)重做目標(biāo)篩選算法[3]。

HSV空間特征是全局性的特征，其能夠較好地表示目標(biāo)形狀的整體信息，對形態(tài)變化較大的目標(biāo)來說魯棒性很好。因此選擇HSV空間特征。LBP（local Binary Pattern，局部二值模式）特征用來描述圖像的局部紋理特征，可以用于人臉識別、目標(biāo)識別等，優(yōu)點是灰度不變性和旋轉(zhuǎn)不變、執(zhí)行LBP特征的運算量小，有利于提高篩選速度。篩選后，取相似度最高作為跟蹤目標(biāo)并標(biāo)注。

HSV直方圖相似度和LBP直方圖相似度按照巴氏相關(guān)系數(shù)公式計算：

其中，H1、H2分別表示候選框車輛和模板車輛的HSV特征直方圖向量，N表示直方圖bin數(shù)目，表示中序號為J的bin的HSV顏色向量統(tǒng)計值;L1，L2分別表示候選車輛和模板車輛的LBP特征直方圖向量，M表示直方圖bin數(shù)，，表示中序號為J的bin的LBP特征向量統(tǒng)計值。代表第i個候選目標(biāo)相似度，，分別代表HSV與LBP的權(quán)重系數(shù)[4]。

4結(jié)束語

本文針對的是無人機對單目標(biāo)車輛進行跟蹤，由于車輛行駛過程中產(chǎn)生的目標(biāo)遮擋和不同光照引起的顏色變化，出現(xiàn)的跟蹤精度下降問題。提出的基于深度學(xué)習(xí)的目標(biāo)檢測算法結(jié)合目標(biāo)篩選，來提高跟蹤的精度。基于深度學(xué)習(xí)的目標(biāo)檢測，可以把地面車輛在復(fù)雜背景下提取出來，優(yōu)點是：為了降低目標(biāo)篩選的難度和解決目標(biāo)的遮擋問題。使用目標(biāo)篩選，可以在檢測出來的所有車輛種進行對目標(biāo)的篩選。

參考文獻

[1] 劉亞偉，李小民.無人機航拍視頻中目標(biāo)檢測和跟蹤方法綜述[J].飛航導(dǎo)彈，2016（9）：53-56，70.

[2] 白金濤.視頻序列中運動目標(biāo)跟蹤算法的研究[D].天津：天津大學(xué)，2009.

[3] 李大偉.固定翼無人機地面車輛目標(biāo)自動檢測與跟蹤[D].北京：中國科學(xué)院大學(xué)（中國科學(xué)院國家空間科學(xué)中心），2017.

[4] 徐旭.復(fù)雜環(huán)境下的車輛目標(biāo)跟蹤技術(shù)研究[D].長春：吉林大學(xué)，2013.